[論文レビュー] Relational Dose-Response Modeling for Cancer Drug Studies

Wesley Tansey, Christopher Tosh+1 more|arXiv (Cornell University)|Jun 10, 2019

Statistical Methods and Inference参考文献 1被引用数 1

ひとこと要約

本稿では、多薬剤・多細胞系がん研究における用量反応曲線のノイズ除去と欠損値補完を目的とした階層ベイズモデルであるベイジアンテンソルフィルタリング（BTF）を提案する。BTFは柔軟な尤度関数と効率的なギブスサンプリングを用いて、各反応を滑らかで局所的に適応可能な関数としてモデル化する。この手法は、保証されたデータ再構築と生物学的用量反応モデリングの両面で、最先端の手法を上回る性能を発揮する。

ABSTRACT

Exploratory cancer drug studies test multiple tumor cell lines against multiple candidate drugs. The goal in each paired (cell line, drug) experiment is to map out the dose-response curve of the cell line as the dose level of the drug increases. The level of natural variation and technical noise in these experiments is high, even when multiple replicates are run. Further, running all possible combinations of cell lines and drugs may be prohibitively expensive, leading to missing data. Thus, estimating the dose-response curve is a denoising and imputation task. We cast this task as a functional matrix factorization problem: finding low-dimensional structure in a matrix where every entry is a noisy function evaluated at a set of discrete points. We propose Bayesian Tensor Filtering (BTF), a hierarchical Bayesian model of matrices of functions. BTF captures the smoothness in each individual function while also being locally adaptive to sharp discontinuities. The BTF model can incorporate many types of likelihoods, making it flexible enough to handle a wide variety of data. We derive efficient Gibbs samplers for three classes of likelihoods: (i) Gaussian, for which updates are fully conjugate; (ii) binomial and related likelihoods, for which updates are conditionally conjugate through Polya-Gamma augmentation; and (iii) non-conjugate likelihoods, for which we develop an analytic truncated elliptical slice sampling routine. We compare BTF against a state-of-the-art method for dynamic Poisson matrix factorization, showing BTF better reconstructs held out data in synthetic experiments. Finally, we build a dose-response model around BTF and apply it to real data from two multi-sample, multi-drug cancer studies. We show that the BTF-based dose-response model outperforms the current standard approach in biology. Code is available at this https URL.

研究の動機と目的

• 多薬剤・多細胞系のがん薬物スクリーニング実験における高いノイズと欠損データに対処すること。
• コストの観点から完全な実験的カバレッジが得られない場合の用量反応曲線推定を改善すること。
• 関数的反応における滑らかさと局所的不連続性を捉える柔軟で階層的なベイズモデルの開発。
• 低次元の関数的構造を用いて、用量反応データの正確な補完とノイズ除去を可能にすること。
• 未観測データの再構築と現実世界のがん薬物反応プロファイルのモデリングにおいて、既存手法を上回ること。

提案手法

• 各エントリを薬物用量のノイズのある関数としてモデル化し、用量反応推定を関数的行列分解問題として定式化する。
• 個々の反応関数における滑らかさと局所的適応性を捉える、階層ベイズモデルであるベイジアンテンソルフィルタリング（BTF）を提案する。
• 複数の尤度族をサポート：ガウス分布（完全に共役な更新）、二項分布および関連分布（ポリア・ガンマ補完を用いた条件付き共役な更新）、非共役尤度（切り捨てられた楕円スライスサンプリングによる）。
• 各尤度クラスに特化した効率的なギブスサンプラーを導出することで、スケーラブルな後方確率推論を実現する。
• 低ランク構造を用いて、細胞系と薬物間の共有パターンをモデル化し、一般化性能と補完性能を向上させる。
• BTFモデルを実際のがん薬物スクリーニングデータに適用可能な用量反応フレームワークに統合する。

実験結果

リサーチクエスチョン

• RQ1 階層ベイズモデルは、高ノイズ・欠損データを伴うがん薬物スクリーニング実験において、用量反応曲線のノイズ除去と補完を効果的に行えるか？
• RQ2 BTFは、最先端の動的ポisson行列分解と比較して、保持された用量反応データをどの程度うまく再構築できるか？
• RQ3 BTFが滑らかさと局所的不連続性をモデル化できる能力が、関数的反応推定にどの程度寄与するか？
• RQ4 BTFを用いた用量反応モデリングは、現実世界の多薬剤・多細胞系研究において、現在の生物学的基準を上回る性能を発揮できるか？
• RQ5 BTFの尤度フレームワークの柔軟性が、多様なデータタイプにわたるパフォーマンスにどのように影響するか？

主な発見

• 合成実験において、BTFは最先端の動的ポアソン行列分解を上回り、保持されたデータの再構築性能に優れた。
• BTFは局所的適応性により、用量反応関数の滑らかなトレンドと急激な不連続性の両方を効果的に捉えている。
• ガウス尤度に対して完全に共役な更新が達成され、二項分布に類似したデータに対してポリア・ガンマ補完を用いた条件付き共役な更新が可能であり、非共役尤度に対しても効率的なサンプリングが実現されている。
• 実際のがん研究における多サンプル・多薬剤スクリーニングに適用した際、BTFベースの用量反応モデルは、現在の標準生物学的手法よりも顕著に予測精度を向上させた。
• 異なる尤度の柔軟な取り扱いが、薬物反応実験における多様なデータモダリティにわたる頑健なパフォーマンスを実現した。
• BTFのコードは公開されており、生物医学研究における再現性と拡張性を促進する。